Als zweithäufigste degenerative Erkrankung des Nervensystems induziert die Parkinsonkrankheit im unbehandelten Zustand einen großen Leidensdruck für die Betroffenen. Unsere Gruppe arbeitet an Verfahren, sowohl diese wie auch die Behandelnden bei der komplexen Einstellung der notwendigen Medikation zu unterstützen. Ziel ist eine automatisierte Dosierungsempfehlung für Levodopa auf Basis nachprüfbarer und messbarer Faktoren. Grundlage dafür ist die kontinuierliche Überwachung der motorischen Symptome durch kostengünstige, breit verfügbare Smart Wearables. Dieses Verfahren verspricht mehrere Vorteile im Vergleich zur aktuellen klinischen Realität:

• Es sind direkte Interventionen bei einer Änderung der Symptomatik möglich. Diese kann schnell erfolgen und ist nicht angewiesen auf die nicht notwendigerweise deckungsgleichen, subjektiven Einschätzungen der Symptomatik. Die Nutzung transparenter Verfahren des maschinellen Lernens verspricht die Gewinnung von Informationen, die auch in der nicht-apparativen Diagnostik anwendbar sind.
  
• Die Überwachung und Adaption können auch abseits der klassischen klinischen Umgebung erfolgen. Im Sinne der Telemedizin können Betroffene somit auch in ihrem gewohnten häuslichen Umfeld optimal betreut werden. Nicht nur im Fall eingeschränkter Mobilität verspricht dies einen deutlichen Gewinn an Lebensqualität.
  
• Über die Erfassung kritischer Faktoren können optimierter individueller Medikationspläne auch prognostiziert werden. Anstatt auf allgemeine Populationswerte zurückgreifen zu müssen, können die individuellen Lebensumstände der Betroffenen von vorneherein berücksichtigt werden.
  

Aktuell arbeiten wir mit unseren pharmazeutischen Partnern in der Krankenhausapotheke daran, die gewonnenen Erkenntnisse bezüglich der optimalen Behandlung perspektivisch auch in den Klinikalltag integrieren zu können. Eine optimierte Dosierung ist dabei individuell mittels eines 3D-Druckers produzierter Präparate angedacht. Weitere Informationen zu diesem sogenannten „Closed-Loop System“ sind auch auf der Seite der Krankenhausapotheke zu finden.

Weitere Informationen

Das Artificial Intelligence for CAncer REgistration and Research (AI CARE) Projekt ist ein BMG-gefördertes Innovationsprojekt, welches sich auf die Ausschreibung "Krebsregister zusammenführen und intelligent nutzen" bezieht. Es adressiert zwei Fragestellungen:

• Lassen sich komplexen Krebsregisterdaten mit Methoden der künstlichen Intelligenz (KI) so aufbereiten, verbessern und zusammenführen, dass diese für onkologische Qualitätssicherung und Forschung besser als bisher zugänglich sind?
  

• Wie können Auswertungen von Krebsregisterdaten mit KI-Methoden das klassische Auswertungsspektrum der onkologischen Versorgungsforschung sinnvoll ergänzen?
  

Am Verbundprojekt arbeiten 13 Partner, bestehend aus Expert*innen der Krebsregistrierung, Medizinischen Informatik und Künstlichen Intelligenz. Es beläuft sich auf drei Jahre und startet zum 01. September 2022.

Das Mapping zwischen verschiedenen Formaten elektronischer Krankenakten ist eine anspruchsvolle Aufgabe. Die in einzelnen Studien erhobenen Datentypen sind oft sehr spezifisch und nicht ohne weiteres auf andere Datenstrukturen übertragbar. Dies ist ein Problem für Aufgaben, bei denen Vergleiche/Kombinationen mit anderen Daten (Studien) erforderlich sind. Die Hauptlösung besteht in der Harmonisierung der Daten durch Verwendung eines gemeinsamen Datenmodells (CDM) wie OMOP (Observational Medical Outcomes partnership).

Die bestehenden Lösungen für die Anzeige von Daten in OMOP sind jedoch nicht sehr genau, erfordern viel manuelle Arbeit und lassen sich nur schwer in andere Prozesse integrieren. Außerdem sind sie derzeit nur für Daten in englischer Sprache anwendbar.
Das aktuelle Pilotprojekt basiert auf einer Methode, die in einer dieser Lösungen verwendet wird, nämlich TF-IDF (eine Methode zum Finden übereinstimmender Werte auf der Grundlage ähnlicher Vorkommen). Wir haben sie so erweitert, dass sie leicht integriert werden kann, mit verschiedenen Sprachen funktioniert und mehr als einen Vorschlag für die Zuordnung zu OMOP-Konzepten ohne zusätzliche manuelle Schritte ermöglicht. Als Nächstes werden wir die Genauigkeit mithilfe von Deep-Learning-Algorithmen weiter verbessern.

Nach klassischem Therapiestandard werden Patient:innen nach einer Diagnosestellung mit einer krankheitsspezifischen Arzneitherapie behandelt. Da Menschen unterschiedlich auf Medikamente reagieren können, weisen Patient:innen oft starke Nebenwirkungen auf oder zeigen gar kein Ansprechen. Nach dem „Trial-and-Error“- Prinzip wird die Dosierung daraufhin geändert oder eine andere Therapie ausprobiert, bis eine passende Therapie gefunden ist. Die Unwirksamkeitsrate gängiger Therapien ist dabei sehr hoch.

Im Gegensatz zum klassischen Therapieansatz wird in der personalisierten Medizin anhand einer umfassenden molekularen, zellulären und funktionellen Analyse die Krankheit von Anfang an genauer bestimmt. So können individuelle Gegebenheiten in die Therapie mit einbezogen werden und im Vorhinein eine bessere Voraussage über die Wirksamkeit und die Dosis einer medikamentösen Behandlung getroffen sowie Nebenwirkungen minimiert werden.

Die erheblichen Fortschritte der Technologien zur Generierung von Omics- Daten in den letzten Jahrzehnten haben diese umfassenden Analysen und damit die personalisierte Medizin erst möglich gemacht. Die Kosten für eine Genomsequenzierung sind von 2,7 Billionen Dollar in 2003 auf 1000 Dollar in 2012 gesunken und das 100- Dollar- Genom ist greifbar nah. Während die Analyse eines Genoms im Jahr 2003 noch Jahre gedauert hat, ist es heute in wenigen Stunden möglich. Diese Entwicklungen haben zur Generierung einer noch nie dagewesenen Menge und Vielfalt an biomedizinischen Daten geführt, welche Schätzungen zufolge in den nächsten Jahren um ein Vielfaches weiter ansteigen werden.

Die biomedizinischen Forschungsdaten zur Interpretation dieser Daten sind in verschiedenen externen Quellen gespeichert – genetischen Datenbanken, Signalweg-Datenbanken oder in Form von Publikationen. Um diese Daten nutzbar zu machen, müssen sie strukturiert und mit den internen Patientendaten zusammengeführt werden. Hier bedarf es IT-Lösungen, um Ärzt:innen von der Auswertung der Analyse bis hin zur Therapieentscheidung zu unterstützen und diesen Prozess soweit möglich zu automatisieren. Nur mit einem smarten, digitalen Wissensmanagement kann eine individualisierte Behandlung möglichst vielen Patient:innen angeboten werden.